Cesarini, Ettore
(2019)
Stima streaming di sottospazi principali.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Ingegneria elettronica [LM-DM270], Documento ad accesso riservato.
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (1MB)
| Contatta l'autore
|
Abstract
Nell'attuale stato tecnologico in cui la dimensionalità dei dati vede un incremento esponenziale, si rende necessario l'utilizzo di algoritmi che permettano un'efficiente signal processing anche ai dispositivi con potenza di calcolo e disponibilità di memoria limitati. In questo lavoro è stato preso in considerazione un setting reale, per il quale si sono cercati due metodi algoritmici in grado di garantirne un'efficiente stima dell'energia del segnale, in modo streaming e riducendo la dimensionalità dei dati. Traendo ispirazione dallo stato dell'arte, sono stati decisi i due metodi di stima streaming di sottospazi principali HPCA e SEPS. In sede di simulazione si è fatto uso di dataset sintetici appositamente generati per ottenere un opportuno tuning dei parametri per ciascun algoritmo. In seguito si è proceduto a valutare l'efficacia delle scelte fatte sui parametri applicando i singoli algoritmi al setting reale. Nel medesimo setting, al passo successivo si è proceduto al confronto diretto dei due metodi valutandone le performance in termini di dinamica e valore di convergenza, costi computazionali e robustezza in seguito a fenomeni di carattere non stazionario. I risultati hanno favorito l'algoritmo HPCA in termini di prestazioni e robustezza, a scapito di una maggiore incidenza sulla complessità computazionale e memory footprint rispetto al secondo algoritmo. SEPS ha reso la fase di tuning un passo molto più delicato, dovuta all'alta sensibilità del suo learning rate; tuttavia a seguito dell'opportuna paramettrizzazione, ha primeggiato relativamente ai costi computazionali e al memory footprint, dando prova di alta flessibilità, semplicità implementativa ma minore velocità di convergenza. Ai fini di questa elaborazione, sia HPCA che SEPS si sono rivelati una scelta corretta e soddisfacente nell'ottica della stima streaming di sottospazi principali, facendo prediligere il secondo per le performance ottenute nello specifico setting qui analizzato.
Abstract
Nell'attuale stato tecnologico in cui la dimensionalità dei dati vede un incremento esponenziale, si rende necessario l'utilizzo di algoritmi che permettano un'efficiente signal processing anche ai dispositivi con potenza di calcolo e disponibilità di memoria limitati. In questo lavoro è stato preso in considerazione un setting reale, per il quale si sono cercati due metodi algoritmici in grado di garantirne un'efficiente stima dell'energia del segnale, in modo streaming e riducendo la dimensionalità dei dati. Traendo ispirazione dallo stato dell'arte, sono stati decisi i due metodi di stima streaming di sottospazi principali HPCA e SEPS. In sede di simulazione si è fatto uso di dataset sintetici appositamente generati per ottenere un opportuno tuning dei parametri per ciascun algoritmo. In seguito si è proceduto a valutare l'efficacia delle scelte fatte sui parametri applicando i singoli algoritmi al setting reale. Nel medesimo setting, al passo successivo si è proceduto al confronto diretto dei due metodi valutandone le performance in termini di dinamica e valore di convergenza, costi computazionali e robustezza in seguito a fenomeni di carattere non stazionario. I risultati hanno favorito l'algoritmo HPCA in termini di prestazioni e robustezza, a scapito di una maggiore incidenza sulla complessità computazionale e memory footprint rispetto al secondo algoritmo. SEPS ha reso la fase di tuning un passo molto più delicato, dovuta all'alta sensibilità del suo learning rate; tuttavia a seguito dell'opportuna paramettrizzazione, ha primeggiato relativamente ai costi computazionali e al memory footprint, dando prova di alta flessibilità, semplicità implementativa ma minore velocità di convergenza. Ai fini di questa elaborazione, sia HPCA che SEPS si sono rivelati una scelta corretta e soddisfacente nell'ottica della stima streaming di sottospazi principali, facendo prediligere il secondo per le performance ottenute nello specifico setting qui analizzato.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Cesarini, Ettore
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Bioingegneria elettronica
Ordinamento Cds
DM270
Parole chiave
Streaming,Big Data,Subspace Tracking,PCA,Dimensionality Reduction
Data di discussione della Tesi
15 Marzo 2019
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Cesarini, Ettore
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Bioingegneria elettronica
Ordinamento Cds
DM270
Parole chiave
Streaming,Big Data,Subspace Tracking,PCA,Dimensionality Reduction
Data di discussione della Tesi
15 Marzo 2019
URI
Statistica sui download
Gestione del documento: